RU2753267C1

RU2753267C1 - Способ детектирования фокальных эпилептиформных разрядов в длительной записи ээг

Info

Publication number: RU2753267C1
Application number: RU2020118740A
Authority: RU
Inventors: Павел Викторович Приходько; Владимир Юрьевич Черных; Иван Игоревич Панин
Original assignee: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ"
Priority date: 2020-06-05
Filing date: 2020-06-05
Publication date: 2021-08-12
Also published as: WO2021246923A1

Abstract

Изобретение относится к медицине и вычислительной технике. Предложен способ автоматического детектирования фокальных эпилептиформных разрядов в длительной записи ЭЭГ, содержащий: а) подготовительный этап, на котором на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, для получения входных данных, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду; по меньшей мере один выделенный отрезок, на предыдущем этапе, маркируется в соответствии с имеющейся разметкой специалиста из базы данных; осуществляют обучение нейронной сети, причем на вход нейронной сети одновременно подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам, и метку, соответствующую первому из двух симметричных каналов; осуществляют кросс-валидацию для оценки качества классификации; выбирают порог отсечения предсказанных фокальных разрядов по вероятности, и б) рабочий этап, на котором на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду; запускают обученную, на предыдущем этапе, нейронную сеть, на вход которой подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам; на выходе получают оценку вероятности принадлежности первого из двух симметричных отрезков сигнала к классу эпилептиформных; полученные вероятности отсекают по заранее заданному порогу и формируют список предсказанных фокальных эпилептиформных разрядов; осуществляют поиск локализации источника разрядов путем автоматического нанесения предсказанных фокальных разрядов на карту с учетом стандартного расположения электродов и выполняют интерполяцию для определения распределения фокальных эпилептиформных разрядов. Изобретение обеспечивает сокращение времени на детектирование фокальных эпилептиформных разрядов. 5 ил., 2 табл.

Description

ОБЛАСТЬ ТЕХНИКИ

Настоящее техническое решение относится к областям медицины и вычислительной техники, в частности, к компьютерно-реализуемому способу детектирование фокальных эпилептиформных разрядов (далее - ФЭР) в длительной записи электроэнцефалограммы (далее - ЭЭГ).

УРОВЕНЬ ТЕХНИКИ

Наиболее заметные проявления эпилепсии - приступы - плохо подходят для регулярного наблюдения за ходом заболевания в силу своей непредсказуемости и опасности для здоровья. Однако, у большинства больных на записи ЭЭГ можно наблюдать характерные паттерны эпилептиформной активности - эпилептиформные разряды (ЭР), оценивая частоту которых можно сделать вывод об интенсивности и динамике заболевания. Наличие ЭР на ЭЭГ с большой вероятностью говорит о наличии эпилепсии.

ЭР обычно определяются специалистами эпилептологами при визуальном осмотре длительных записей ЭЭГ (запись должна включать сигнал, снятый во сне, для повышения точности заключения). Это очень монотонный и утомительный процесс, так как требует от человека просмотреть и вручную разметить примерно 10 или более часов записи. Специалист должен пометить каждый ЭР, а после на основе полученной разметки определить локализацию в случае фокальных эпилептиформных разрядов (далее - ФЭР) и подсчитать индексы эпилептиформной активности для оценки состояния и написания заключения. Такая работа занимает 3-4 часа и имеет следующий ряд проблем.

Большие временные затраты на разметку приводят к тому, что эта работа отдается не самым квалифицированным сотрудникам. Опытный специалист берет на себя только функцию первичной диагностики типа разряда и валидации результата. А разметку и подсчет индексов как правило берет на себя менее опытный специалист. Такой процесс создает вынужденные ошибки разметки.

При достаточно большом потоке пациентов, специалисты вынуждены начать размечать не всю запись, а отдельные короткие интервалы (как правило по 10 минут), оценивая по ним общее количество ЭР. Так как ЭР могут возникать неравномерно по времени - это приводит к возникновению неконтролируемых погрешностей в вычислении индексов.

Эксперименты показывают, что разметка ЭР разных специалистов может существенно отличаться в силу субъективности определения ЭР человеком в силу того, что паттерны ЭР могут существенно отличаться между собой и при этом походить на артефакты или некоторые нормальные паттерны.

Из уровня техники известен источник информации US 8,972,001 B2 03.03.2015, раскрывающий способ и систему обработки полученного сигнала ЭЭГ и отображения полученных данных. Система включает в себя электроды, усилитель, процессор и дисплей. Электроды генерируют сигналы ЭЭГ. Усилитель соединен проводами с каждым из электродов и усиливает сигналы ЭЭГ. Процессор подключен к усилителю для генерации записи ЭЭГ из сигналов ЭЭГ. Дисплей подключен к процессору для отображения записи ЭЭГ. Процессор сконфигурирован для преобразования каждого из множества сигналов ЭЭГ из набора каналов во множество эпох, а также удаления артефактов, электрических сигналов, связанных, например, с движением пациента, потоотделением пациента, движением кабеля и т.д., из каждой из множества эпох с использованием алгоритма разделения слепых источников для генерации множества чистых эпох и объединения множества чистых эпох для генерации обработанной записи ЭЭГ для отображения. Способ включает в себя генерирование сигнала ЭЭГ из устройства, содержащего множество электродов, усилитель и процессор. Способ также включает в себя преобразование сигнала ЭЭГ из набора каналов во множество эпох. Каждая из множества эпох имеет длительность эпохи, меньшую или равную двум секундам, и приращение, меньшее или равное одной секунде. Способ также включает в себя фильтрацию артефактов каждой из множества эпох с использованием алгоритма разделения слепых источников для генерации множества чистых эпох. Способ также включает в себя объединение множества чистых эпох для генерации обработанной записи ЭЭГ.

Предлагаемое решение направлено на автоматическую разметку фокальных эпилептиформных разрядов сигнала ЭЭГ.

Наиболее близким аналогом является программный пакет Persyst 13, в котором реализована автоматическая процедура по разметке фокальных разрядов и других событий на сигнале ЭЭГ. Практика использования данного программного пакета, а также отчеты компании-разработчика показывают, что часть фокальных событий на сигнале ЭЭГ остается не отмеченной, следовательно, после обработки специалист должен внимательно просмотреть весь исходный сигнал, чтобы убедиться, что ничего важного пропущено не было. Необходимость внимательного просмотра всего сигнала увеличивает время работы на обработку сигнала.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической проблемой, на решение которой направлено заявленное техническое решение, является создание компьютерно-реализуемого способа детектирование фокальных эпилептиформных разрядов в длительной записи ЭЭГ, который охарактеризован в независимом пункте формулы.

Технический результат заключается в сокращении времени на детектирование фокальных эпилептиформных разрядов. Также технический результат заключения в определении локализации источника сигнала.

Заявленный результат достигается за счет осуществления компьютерно-реализуемого способа автоматического детектирования фокальных эпилептиформных разрядов в длительной записи ЭЭГ содержащий:

Подготовительный этап, на котором:

на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, для получения входных данных, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду;

по меньшей мере один выделенный отрезок, на предыдущем этапе, маркируются в соответствие с имеющейся разметкой специалиста из базы данных;

осуществляют обучение нейронной сети, причем на вход нейронной сети одновременно подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам и метку, соответствующую первому из двух симметричных каналов;

осуществляют кросс-валидацию, для оценки качества классификации;

выбирают порог отсечения предсказанных фокальных разрядов по вероятности;

Рабочий этап, на котором:

на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду;

запускают обученную, на предыдущем этапе, нейронную сеть, на вход которой подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам;

на выходе получают оценку вероятности принадлежности первого из двух симметричных отрезков сигнала к классу эпилептиформных;

полученные вероятности отсекают по заранее заданному порогу и формируют список предсказанных фокальных эпилептиформных разрядов;

осуществляют поиск локализации источника разрядов, путем автоматического нанесения предсказанных фокальных разрядов на карту с учетом стандартного расположения электродов и выполняется интерполяция для определения распределения фокальных эпилептиформных разрядов.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

Фиг.1 иллюстрирует архитектуру нейронной сети.

Фиг.2 иллюстрирует общую схему работы предлагаемого способа.

Фиг.3 иллюстрирует схему работы электродов.

Фиг.4 иллюстрирует пример визуализации распределения размеченных ФЭР.

Фиг. 5 иллюстрирует пример общей схемы вычислительного устройства.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

С точки зрения локализации источника, у больных эпилепсией можно выделить

два типа эпилептиформной активности вне приступов: генерализованные эпилептиформные разряды (ГЭР) или фокальные эпилептиформные разряды (ФЭР). Количество интериктальных разрядов в момент времени используется как один из основных индикаторов динамики состояния пациента врачами эпилептологами.

Настоящее изобретение направлено на осуществление компьютерно-реализуемого способа детектирование фокальных эпилептиформных разрядов в длительной записи ЭЭГ.

В предлагаемом способе разработан алгоритм, согласно которому была создана предсказательная модель для разметки ФЭР на длительной записи ЭЭГ, которая позволяет получить достаточную для постановки заключения специалистом точность и имеет достаточно быструю скорость работы: разметка десятичасовой записи предлагаемым способом занимает примерно 4 минуты в то время как при ручной разметке специалист затрачивает на обработку такой записи порядка трех часов.

ФЭР может иметь довольно разнообразную форму, в литературе не выделяют характерного набора паттернов, так как конкретный вид разряда может сильно меняться от человека к человеку. На практике специалист предварительно просматривает сигнал, чтобы определить характерную форму ФЭР для данного человека, а после этого делает подсчет числа ЭР похожих на найденную форму.

В качестве предсказательной модели используется искусственная нейронная сеть, способность которой выделять частотные компоненты сигнала позволяет находить участки быстрой и медленной изменчивости сигнала, что представляется полезным при выделении спайков.

Задача предлагаемого способа, в автоматическом режиме, вывести специалисту разметку ФЭР с подсчитанными по разметке индексами (определяется за период (час или фаза сна)), которые указывают общее количество зарегистрированных разрядов, и ориентировочную локализацию источника разрядов.

Предлагаемый способ должен позволять специалисту изучить результат работы предлагаемого способа и внести изменения в разметку, если это требуется. Однако, время которое должно быть потрачено специалистом на суммарную обработку сигнала должно быть существенно меньше, чем если бы специалист делал разметку вручную. Решение задачи осуществляется в построении алгоритма, который на основе обучающей выборки (набора пар X-Y) с помощью решения задачи несбалансированной классификации строит модель, способную различать доброкачественные и эпилептиформные ЭЭГ паттерны у пациентов, которые не входили в обучающую выборку. Для обеспечения локализации, для каждого канала делается свое независимое детектирование ЭР.

К каждой ЭЭГ записи прилагается экспертная разметка, с указанием времени и каналов где обнаружены ФЭР. Также к каждому пациенту приложено заключение с информацией о состоянии человека и значениями индексов. Разметка и заключение составлены в соответствие с действующими стандартами. Указанные данные находятся в базе данных.

Под системой 10-20 понимается система стандартизованного расположения скальповых электродов, рекомендованная Международной федерацией клинической нейрофизиологии (IFCN). В соответствии с этой системой место электродов определяется измерением головы между внешними ориентирами и взятием 10 или 20% от этих измерений.

На фиг.2 представлена работа предлагаемого способа (100), который осуществляется в два этапа, подготовительный этап (110) - этап обучения нейронной сети и построение предсказательной модели и рабочий этап (120).

На подготовительном этапе (этап обучения) 111 предлагаемого решения, на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, для получения входных данных, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду, например, 256 отчетов, однако, число отсчетов может быть изменено в зависимости от частоты дискретизации ЭЭГ сигнала в обучающей выборке.

Согласно принятым стандартам, ожидаемая длительность эпилептиформных разрядов составляет от 20 до 200 мс. Кроме того, для их идентификации необходимо учитывать фоновый контекст: разряд должен как-то выделяться по сравнению с окружающим сигналом, что задает минимальные требования на единицу сигнала, участвующую в классификации. С другой стороны, выбор слишком большого горизонта наблюдения не позволяет добиться хорошей разрешающей способности на уровне отдельных спайков. Учитывая, что характерное расстояние между ФЭР обычно превышает 1 секунду, была выбрана именно эта длительность как базовый размер окна классификации.

По меньшей мере один выделенный отрезок маркируется в соответствии с имеющейся разметкой специалиста из базы данных на этапе 112.

Если участок нормальный, то ему присваивают значение 0. Если участок относится к ФЭР, то ему присваивают значение 1.

Помимо разметки спайков, для каждого пациента в соответствие с заключением было определено референсное положение области высокой частоты ФЭР, под которой предположительно и находится источник разрядов. Референсное положение определяется исходя из заключения специалиста.

На этапе 113 обучают нейронную сеть, на вход нейронной сети (фиг.1) одновременно подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам и метку, соответствующую первому из двух симметричных каналов: 1 (участок ФЭР) или 0 (нормальный участок). На фиг.3 изображена схема расположения электродов, так, например, на вход нейронной сети подаются симметричные каналы F7-F8, C3-C4, T5-T6 и т.д.

Подача пары сигналов, принадлежащих к симметричным каналам позволяет увеличить точность определения локализации фокальных эпилептиформных разрядов. Предполагается, что фокальный разряд локализован в одном полушарии. И если он есть, например, слева, то его нет справа. К этим сигналам применяется набор сверточных фильтров и нелинейных преобразований (фиг.1), в результате чего на выходе получают оценку вероятности принадлежности первого из двух симметричных отрезков сигнала к классу эпилептиформных. Параметры нейронной сети подбираются автоматически путем минимизации Log Loss ошибки на обучающей выборке с помощью алгоритма Adam.

Для оценки качества классификации применяется кросс-валидация по пациентам: каждый пациент удаляется из обучающей выборки, а модель обучается на оставшихся, затем производится анализ качества модели на пациенте, который не участвовал в обучении. Мерой качества модели при этом считается Log Loss ошибки и другие стандартные метрики качества (этап 114).

Осуществляют тестирование поиска локализации источника разрядов: количество ФЭР, предсказанных на каждом электроде наносится на карту с учетом стандартного расположения электродов в монтаже. Затем выполняется интерполяция для оценки распределения ФЭР по всей поверхности. Полученная карта сравнивается с референсом, для определения соответствия заключению специалиста в базе данных.

На основе результатов тестирования нейронной сети, на этапе 115, выбирают порог отсечения предсказанных событий по вероятности. В предлагаемом решении выбран порог 0.96, то есть вероятность, получаемую на выходе нейронной сети, больше указанного порога, то фокальный эпилептиформный разряд добавляют в список.

Если оценка качества нейронной сети неудовлетворительна, то можно вернуться и изменить, например, архитектуру или другие части процесса обучения.

Подготовительный этап завершается получением обученной модели.

На рабочем этапе 120, специалист загружает на вычислительное устройство файл с длительной записью ЭЭГ (7-12 часов), сделанной по системе 10-20, и запускает предлагаемый способ разметки ФЭР.

На этапе 121 осуществляют предобработку новых данных на вычислительном устройстве по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду, а также выделяют пары симметричных каналов.

Запускают обученную, на предыдущем этапе, нейронную сеть, на вход которой подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам (этап 122). К этим сигналам применяется набор сверточных фильтров и нелинейных преобразований (фиг.1), в результате чего на выходе получают оценку вероятности принадлежности первого из двух симметричных отрезков сигнала к классу эпилептиформных (этап 123).

Полученные вероятности, на этапе 124, отсекают по заранее заданному порогу и формируют список предсказанных фокальных эпилептиформных разрядов.

В предлагаемом решении выбран порог 0.96, то есть вероятность, получаемую на выходе нейронной сети, больше указанного порога, то фокальный эпилептиформный разряд добавляют в список.

Неверно размеченные разряды удаляются из полученного списка специалистом.

Осуществляют поиск локализации источника разрядов (этап 125), путем автоматического нанесения предсказанных фокальных разрядов на карту с учетом стандартного расположения электродов и выполняется интерполяция для определения распределения фокальных эпилептиформных разрядов. Локализация определяется подсчетом разрядов на разных каналах, где больше разрядов там и спайк.

На выходе получают (этап 126) и выводят таблицу, содержащую описание размеченных алгоритмом фокальных разрядов с указание времени, когда они произошло, и прочей информации. Таблица может иметь вид, например, как показано на Таблице 1.

Таблица 1

Номер события	Начало события, сек, измеряется от начала записи	Длительность участка с событием, сек	Тип события (произвольная строка)	Вероятность (степень уверенности алгоритма в событии, может быть пусто)	Затронутые каналы (может быть пусто, по умолчанию, тогда все затронуты)
1	121.654	1.0	Фокальный разряд	0.9
...	...	...	...	...
245	145.1	2.0	Фокальный разряд	0.9

Также выводят изображение, на котором показана усредненная по времени локализация размеченных алгоритмом разрядов на поверхности головы (Фиг.4).

Было осуществлено сравнение предлагаемого способа с решением, предлагаемым программным пакетом Persyst 13.

Оценка времени обработки длительной ЭЭГ записи вручную и с помощью рассматриваемых решений приведена в Таблице 2. Отметим, что требуемое время рассчитывается в предположении, что специалист вручную правит ложноположительные срабатывания на разметке алгоритма. Если предполагать, что ручных правок нет, то время разметки уменьшается до чистого времени работы алгоритма.

Таблица 2

Тип разметки	Требуемое время, мин	Чистое время, мин
Вручную	182	-
Persyst	71	45
Предлагаемый способ	29	4

На Фиг. 5 далее будет представлена общая схема вычислительного устройства (500), обеспечивающего обработку данных, необходимую для реализации заявляемого решения.

В общем случае устройство (500) содержит такие компоненты, как: один или более процессоров (501), по меньшей мере одну память (502), средство хранения данных (503), интерфейсы ввода/вывода (504), средство В/В (505), средства сетевого взаимодействия (506).

Процессор (501) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (500) или функциональности одного или более его компонентов. Процессор (501) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (502).

Память (502), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.

Средство хранения данных (503) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (503) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.

Интерфейсы (504) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.

Выбор интерфейсов (504) зависит от конкретного исполнения устройства (500), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.

В качестве средств В/В данных (505) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.

Средства сетевого взаимодействия (506) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (505) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.

Компоненты устройства (500) сопряжены посредством общей шины передачи данных (510).

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Claims

Компьютерно-реализуемый способ автоматического детектирования фокальных эпилептиформных разрядов в длительной записи ЭЭГ, содержащий:
- подготовительный этап, на котором:
на вычислительном устройстве, содержащем процессор и память, хранящую инструкции, исполняемые процессором, и включающие этапы, на которых:
осуществляют предобработку по меньшей мере одного сигнала ЭЭГ для получения входных данных, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду;
по меньшей мере один выделенный отрезок, на предыдущем этапе, маркируют в соответствии с имеющейся разметкой специалиста из базы данных;
осуществляют обучение нейронной сети, причем на вход нейронной сети одновременно подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам, и метку, соответствующую первому из двух симметричных каналов;
осуществляют кросс-валидацию для оценки качества классификации;
выбирают порог отсечения предсказанных фокальных разрядов по вероятности;
- рабочий этап, на котором:
на вычислительном устройстве, содержащем процессор и память, хранящую инструкции, исполняемые процессором, и включающие этапы, на которых:
осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяют по меньшей мере один отрезок сигнала длиной в 1 секунду;
запускают обученную, на предыдущем этапе, нейронную сеть, на вход которой подают по меньшей мере одну пару отрезков ЭЭГ сигнала длиной в 1 секунду, принадлежащую симметричным каналам;
на выходе получают оценку вероятности принадлежности первого из двух симметричных отрезков сигнала к классу эпилептиформных;
полученные вероятности отсекают по заранее заданному порогу и формируют список предсказанных фокальных эпилептиформных разрядов;
осуществляют поиск локализации источника разрядов путем автоматического нанесения предсказанных фокальных разрядов на карту с учетом стандартного расположения электродов и выполняют интерполяцию для определения распределения фокальных эпилептиформных разрядов.